機器學習與深度學習的效能衡量指標

基本評估算式

1. 準確率 Accuracy = (TP+TN)/(TP+TN+FP+FN);
2. F-Score——召回率和精確度的調和平均數，被證明是最相關的評估指標

F-score = 2TP/ (2TP + FP + FN); OR F-score = 2（Sensitivity*Precision）/（Sensitivity+Precision）

1. 假陽性率 The false positive rate = FP/(FP+TN);
2. 假陰性率 The false negative rate = FN/(FN+TP);
3. 精確度 Precision = TP/(TP+FP);
4. 敏感性 Sensitivity(Recall) = TP/(TP+FN);
5. 特異度 Specificity = TN/(TN+FP);

在跌倒偵測中的判斷情境：
先判讀第二個字母，P/N：預測為陽性（跌倒）/陰性（沒有跌倒）。在判讀第一個字母，T/F：預測正確/錯誤。
P：陽性 N：陰性 T：判斷正確 F：判斷錯誤

• TP：預測為跌倒，預測正確（實際跌倒）。
• FP：預測為跌倒，預測錯誤（實際沒有跌倒）。
• FN：預測沒有跌倒，預測錯誤（實際跌倒）。
• TN：預測沒有跌倒，預測正確（實際沒有跌倒）。

ROC曲線

ROC(Receiver operator characteristic）：在各種『決策門檻』（decision threshold）下，比較『真陽率』（True Positive Rate；TPR）與『假陽率』（False Positive Rate；FPR）間的變化。

在各種門檻下計算真陽率及假陽率，作為樣本點，將所有樣本點連成一線，即ROC曲線，因此，這條線越接近上方，表示真陽率越高，即判斷正確的比率越高，換句話說，ROC曲線下方覆蓋的面積(AUC)越大，表示效能越好。以上就是ROC/AUC 曲線的精髓。